💬 NLP
Assessment of Evolving Large Language Models in Upper Secondary Mathematics
这项研究表明，不断进化的语言大模型在数学能力方面取得了飞速进展，从表现平平进步到在芬兰高中毕业考试中取得了接近完美的成绩，从而凸显了它们作为支持数学教育的强大工具的潜力。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象你正在观看一场比赛，参赛者不是人类，而是不同版本的“超级大脑”（大语言模型或 LLM）。赛道是芬兰高中数学考试，这是一场极其困难的考试，决定了学生能否进入大学。
以下是这些数字选手如何从蹒跚学步的初学者进化为完美冠军的故事，其背景基于该研究论文。
起跑线： “婴儿”阶段（2023年8月）
在比赛开始时，AI 选手就像刚开始学习代数的学生。
- 选手： OpenAI GPT-4 的早期版本。
- 结果： 它得了 64 分（满分 120 分）。在芬兰的评分系统中，这是一个及格分，但分数较低（等级为“E”）。这就像是一个虽然通过了课程，但仅仅是勉强及格的学生。
- 竞争对手： Google 的 “Bard” 则远远落后，仅得了 34 分（等级为“C”），这相当于一个考试不及格的学生。
在这个阶段，论文指出，这些 AI 模型擅长处理简单事物，但在处理高中数学所需的复杂逻辑方面表现挣扎。它们就像是偶尔会忘记如何做乘法的计算器。
训练集锦：变得更聪明（2023 年底 – 2024 年初）
研究人员在几个月后进行了回访。AI 选手们一直在进行艰苦的“训练”。
- 升级： AI 学会了使用工具，特别是名为 Python 的编程语言。把这想象成选手突然被允许使用一辆高科技自行车，而不是仅仅靠双脚奔跑。
- 结果： 到 2023 年底，GPT-4 选手冲刺到了 93 分（满分 120 分），获得了顶尖等级（“L”）。它现在可以解决涉及三维空间的复杂几何问题，而这在以前是它无法完成的任务。
- 差距： 然而，并非所有选手的进步速度都一样。在 2024 年初，Google 的免费版本 AI 仍处于中游水平，而 OpenAI 和 Microsoft AI 的付费版本则处于领先地位。
终点线： “超人类”时代（2025年1月）
到研究人员在 2025 年初进行最后测试时，比赛已经完全改变了。AI 选手们不仅是在竞争，他们正在打破计分板。
- 新冠军： 两名新选手——DeepSeek R1 和 OpenAI 的 o3——以 120 分（满分 120 分）的满分冲过了终点线。
- 意义： 这些模型不仅通过了考试；它们的得分甚至高于几乎任何人类学生。事实上，如果这些 AI 模型是今天申请芬兰大学的真实学生，它们将被录取到最具竞争力的专业（如医学或工程学），并且很可能会位列申请者的最顶端。
它们是如何变得如此之快的？（秘诀所在）
论文解释说，这些模型不仅仅是“背诵”了更多数学知识。它们改变了“思考方式”。
- 思维链（Chain of Thought）： 想象一个人在解一个难题。他们不会直接猜答案；他们会停顿、一步步思考、检查自己的工作，并在卡住时修正错误。新的 AI 模型（如 OpenAI 的 “o1” 和 “o3”）也是如此。它们在回答之前模拟一个“思考过程”，从而能够捕捉到自己的错误。
- 自我修正（Self-Correction）： 旧的模型就像是一个写完答案就立即提交的学生。新的模型则像是一个写草稿、意识到错误、重写解决方案，然后再提交的学生。这种“审慎式”的思考正是它们能够获得满分的关键。
核心结论
论文总结道，这些 AI 工具的“数学大脑”在短短两年内进化得极其迅速。
- 它们能做什么： 它们现在可以解决高风险、高难度的数学考试，表现优于平均水平的人类学生，并经常获得满分。
- 论文提出的下一个问题： 论文并不声称这些 AI 已经准备好当老师了。它问道：仅仅因为它们能完美地解决问题，它们真的能以一种有帮助的方式向困惑的学生解释清楚吗？ 论文表明，虽然“解决问题”的部分已经掌握，但“教学”部分才是下一个重大挑战。
简而言之： AI 在创纪录的时间内从一个挣扎的学生进化成了数学天才，但现在的疑问是，它能否成为一名优秀的导师。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。